Anasayfa » Akademik Birimler » Makine Fakültesi » Mekatronik Mühendisliği Bölümü » Dersler » Makine Öğrenmesine Giriş
Ders AdıKodu Yerel KrediAKTS Ders (saat/hafta)Uygulama (saat/hafta)Laboratuar (saat/hafta)
Makine Öğrenmesine GirişMKT343435300
ÖnkoşullarMKT2151
YarıyılBahar
Dersin Diliİngilizce, Türkçe
Dersin SeviyesiLisans
Dersin TürüSeçmeli @ Mekatronik Mühendisliği Lisans Programı (%30 İngilizce)
Ders KategorisiUzmanlık/Alan Dersleri
Dersin Veriliş ŞekliYüz yüze
Dersi Sunan Akademik BirimMekatronik Mühendisliği Bölümü
Dersin KoordinatörüErtuğrul Bayraktar
Dersi Veren(ler)Ertuğrul Bayraktar
Asistan(lar)ı
Dersin AmacıBu ders, temel Makine Öğrenmesi kavramlarının ve terminolojisinin kapsamlı bir şekilde anlaşılmasını sağlamayı amaçlamaktadır. Konular arasında ham veriler için ön işleme yöntemleri, doğrusal ve lojistik regresyon gibi klasik yöntemler, Bayes tabanlı yaklaşımlar ve Sınıflandırma, Kümeleme, Modern Derin Ağlar, Markov Modelleri ve Pekiştirmeli Öğrenme gibi gelişmiş teknikler yer almaktadır. Öğrenciler, destek vektör makineleri, karar ağaçları ve CNN'ler, RNN'ler ve otomatik kodlayıcılar gibi derin öğrenme modelleri dahil olmak üzere popüler algoritmaların uygulanmasında pratik yeterlilik kazanacaklardır. Ayrıca gerçek dünya uygulamaları ve problemleri üzerinde durulacaktır.
Dersin İçeriğiDers içeriği, kapsamlı bir anlayış sağlamak için Makine Öğrenmesi konularının geniş bir yelpazesini kapsayacaktır. Temel kavramlar ve terminoloji ile başlayarak, öğrenciler ham veriler için ön işleme yöntemlerini inceleyeceklerdir. Müfredat, doğrusal ve lojistik regresyon, Bayes tabanlı yöntemler dahil olmak üzere klasik makine öğrenimi tekniklerinin yanı sıra Sınıflandırma, Kümeleme, Modern Derin Ağlar, Markov Modelleri ve Takviyeli Öğrenme gibi ileri düzey konuları da tanıtacaktır. Destek vektör makineleri, karar ağaçları ve CNN'ler, RNN'ler ve otomatik kodlayıcılar gibi çeşitli derin öğrenme modelleri gibi popüler algoritmalarda yeterlilik sağlayarak pratik uygulamaya vurgu yapılacaktır.
Ders Kitabı / Malzemesi / Önerilen Kaynaklar
  • Sebastian Raschka, Hayden Liu, Vahid Mirjalili: Machine Learning with PyTorch and Scikit-Learn, Manning Publications.
  • Bishop, C. M. (2006). Pattern recognition and machine learning. New York, NY: Springer, ISBN-10: 0387310738; ISBN-13: 9780387310732.
  • Alpaydin, E. (2020). Introduction to machine learning (4th ed.). Cambridge, MA: The MIT Press. ISBN 9780262043793.
  • Marc Peter Deisenroth, A Aldo Faisal, and Cheng Soon Ong Mathematics for Machine Learning. Cambridge University Press, 2020
  • Aston Zhang, et.al.: Dive Into Deep Learning
  • Ian Goodfellow, Yoshua Bengio and Aaron Courville: Deep Learning, MIT Press
  • François Chollet: Deep Learning with Python, 2nd Ed. Manning Publications
Opsiyonel Program BileşenleriYok

Ders Öğrenim Çıktıları

  1. Makine Öğrenmesi için matematik ve veri bilimi ilkelerini kullanarak çeşitli alanlardaki karmaşık problemleri tanımlama, formüle edebilme ve çözebilme,
  2. Makine Öğrenmesi uygulamalarıyla ilgili etik, sosyal ve çevresel faktörleri göz önünde bulundurarak belirli ihtiyaçları karşılayan çözümler geliştirmek için mühendislik tasarım ilkelerini uygulayabilme,
  3. Makine Öğrenmesi kavramlarını ve bulgularını hem teknik hem de teknik olmayan çeşitli kitlelere etkili bir şekilde iletebilme, karmaşık fikirleri aktarırken netlik ve hassasiyet gösterebilme,
  4. Makine Öğrenmesi, derin öğrenme ve yapay zeka arasındaki ayrımı anlayabilme; derin öğrenme algoritmalarını gerçekçi görevler için değerlendirebilme ve uyarlayabilme,
  5. Deneyler geliştirebilme ve yürütebilme, istatistiksel ve Makine Öğrenmesi yöntemlerini kullanarak verileri analiz edebilme ve deneysel tasarım ve veri yorumlama konusunda yetkinlik göstererek bilinçli sonuçlar çıkarabilme.

Ders Öğrenim Çıktısı & Program Çıktısı Matrisi

DÖÇ-1DÖÇ-2DÖÇ-3DÖÇ-4DÖÇ-5
PÇ-1-----
PÇ-2-----
PÇ-3-----
PÇ-4-----
PÇ-5-----
PÇ-6-----
PÇ-7-----
PÇ-8-----
PÇ-9-----
PÇ-10-----
PÇ-11-----
PÇ-12-----
PÇ-13-----
PÇ-14-----
PÇ-15-----
PÇ-16-----
PÇ-17-----
PÇ-18-----
PÇ-19-----
PÇ-20-----
PÇ-21-----
PÇ-22-----
PÇ-23-----
PÇ-24-----
PÇ-25-----
PÇ-26-----
PÇ-27-----
PÇ-28-----
PÇ-29-----
PÇ-30-----

Haftalık Konular ve İlgili Ön Hazırlık Çalışmaları

HaftaKonularÖn Hazırlık
1Makine Öğrenmesine Giriş, Makine Öğrenmesine TerminolojisiDers Notları
2Doğrusal Regresyon ve Lojistik RegresyonDers Notları
3Naive Bayes, Bayesian Karar Verme ve Parametrik ModellerDers Notları
4Destek Vektör Makineleri, Karar AğaçlarıDers Notları
5Rastgele Ormanlar, K-En Yakın KomşularDers Notları
6Boyut Azaltma: K-Means, Temel Bileşen AnaliziDers Notları
7Veri Bölme, Çapraz Doğrulama, Öznitelik Ölçekleme ve SeçimiDers Notları
8Ara Sınav 1
9Derin Öğrenmeye GirişDers Notları
10Çok Katmanlı Algılayıcılar, İleri Beslemeli Sinir AğlarıDers Notları
11Geriye Yayılım, Aktivasyon Fonksiyonları, Kayıp Fonksiyonları, Optimizasyon Yöntemleri, Performans ÖlçütleriDers Notları
12Evrişimli Sinir Ağları, Tekrarlayan Sinir Ağları, Uzun kısa süreli bellek ağları, Otomatik KodlayıcılarDers Notları
13Markov Karar Süreçleri ve Pekiştirmeli ÖğrenmeEvrişimli Sinir Ağları, Tekrarlayan Sinir Ağları, Uzun kısa süreli bellek ağları, Otomatik KodlayıcılarDers Notları
14Markov Karar Süreçleri ve Pekiştirmeli ÖğrenmeDers Notları
15Markov Karar Süreçleri ve Pekiştirmeli ÖğrenmeDers Notları
16Final

Değerlendirme Sistemi

EtkinliklerSayıKatkı Payı
Devam/Katılım
Laboratuar
Uygulama
Arazi Çalışması
Derse Özgü Staj
Küçük Sınavlar/Stüdyo Kritiği
Ödev330
Sunum/Jüri
Projeler110
Seminer/Workshop
Ara Sınavlar120
Final140
Dönem İçi Çalışmaların Başarı Notuna Katkısı
Final Sınavının Başarı Notuna Katkısı
TOPLAM100

AKTS İşyükü Tablosu

EtkinliklerSayıSüresi (Saat)Toplam İşyükü
Ders Saati153
Laboratuar
Uygulama
Arazi Çalışması
Sınıf Dışı Ders Çalışması
Derse Özgü Staj
Ödev315
Küçük Sınavlar/Stüdyo Kritiği
Projeler125
Sunum / Seminer
Ara Sınavlar (Sınav Süresi + Sınav Hazırlık Süresi)115
Final (Sınav Süresi + Sınav Hazırlık Süresi)120
Toplam İşyükü :
Toplam İşyükü / 30(s) :
AKTS Kredisi :
Diğer NotlarYok